论文部分内容阅读
摘 要：机器视觉作为人工智能的一个分支，近些年由于无人驾驶技术的兴起正在得到飞速高且高效的发展，机器视觉，本质上是用机器的识别方式来代替人眼功能的一种方式，对前方物体做出识别和测量，基于机器视觉的测距算法，现已是汽车安智能安全辅助驾驶研究领域的一个热点问题，本文介绍了基于机器视觉的前方车辆距离估计的研究背景和特点，对国内外的研究情况进行了阐述，对单目测距距系统模型的搭建进行总结与分析，并对其发展方向进行展望。
关键词：无人驾驶技术;机器视觉;单目测距
0 前言
机器视觉测距所采集数据的方式为动态测距，与现如今市面上的测距仪器数据采集的类别相比，例如微波雷达、激光雷达、超声波雷达相比，其采集信息的方式相对是不可侵犯的，对外界环境信号传播相对保守，该测距方式采用类似人眼感知的视觉方式，便于视觉化、立体化，也更方便快捷，同时该测距方式应用范围广，特别是智能交通系统中。本文将介绍基于机器视觉中单目视觉的测距算法研究背景和特点，对国内外的研究情况进行阐述，对测距算法模型的搭建进行总结与分析，并对其发展方向进行展望。
1 单目视觉测距算法原理
计算机视觉测距算法中，单目摄像头所采用的测距原理是，首先通过图像匹配对目标进行精确识别，例如各种物体，植物，行人，机动车等，再通过所识别出目标在图像中的显示大小去估算摄像机与目标的距离。其中分为低速和高速场景，低速场景一般用于检测地面标识，高速场景一般用于检测前方动态物体等，两种测距方法都是基于地面假设的前提，因为单个摄像头不存在空间信息，因此单目摄像头的图像数据采集原理是，将客观世界的三维场景投影到CCD摄相机的光敏矩阵表面，基于小孔成像原理的测距模型，测距需要事先知道物体的实际尺寸，但这样的条件基本上不能够满足，因此这种方法虽然简单，但是不适合采用，现如今市面上多采用基于单帧静态图像的测距模型来满足前方所测距车辆识别的测距要求。
我们需将计算机内存中的帧存坐标转换到像平面坐标系中，但大多数因为单目摄像机安装制造等诸多原因，会有些偏差，我们通常进行摄像机标定来尽量消除误差，假设我们得到摄像机帧存坐标中识别车辆的一个像素，并且对应于像平面在X轴与Y轴方向上的物理尺寸分别为dx、dy，则根据上述可得到如下转换关系：
（1）
（2）
计算机识别测距所需要的数据参数均为内部参数，所以只要在离线状态下对单目摄像机进行标定，得到内部参数，同时结合建立的测距模型就可以在前方车辆运动过程中进行车距的实时测量。
1.1 国内研究现状
苏萍等[1]提出了首先将Mask R-CNN模型训练好，再利用训练好的模型对前方物体进行检测和识别，然后利用单目测距方法对前方物体进行距离测量，主要方法是利用改进的基于小孔成像原理，该方法模型简单，检测鲁棒性较好，但是局限性较大，仅能测量出静止物体到摄像头的距离。黄同愿等[2]提出了一种对于行人的识别与测距算法，结合深度学习YOLOV3算法，通过改进边界框并对子图进行多次筛选得到行人检测框，并在传统相似三角形原理基础之上，建立数学模型中融入了俯仰角和偏航角，充分考虑了相机姿态角对测量精度的影响，并且该算法对相机安装要求低，具有更好的实用性。许洋等[3]也同样利用深度学习算法，首先检测需要识别的目标车辆，再依據卡尔曼滤波算法对前方车辆进行跟踪和状态识别，最后依靠相似三角形原理和投影模型，对车辆进行跟踪测距，实验结果表明，该算法能在车辆繁杂多样交通环境下，有效的对车辆进行跟踪定位的基础之上实现距离测量，并且降低误检漏捡率。陈俊廷等[4]为AGV小车设计了一种基于车辆投影宽度的测距算法，已知摄像头焦距，车辆的实际宽度及车辆的像素宽度，根据相似三角形的比例关系，即可得到摄像头与前车的实际距离，该算法不需要复杂的数学推导模型，且避免了俯仰角对测距结果的影响。
1.2 国外研究现状
Chao Shen等[5]为了应对由于光照变化和视点变化原因带来的测量误差，利用一种端到端的卷积神经网络框架来实现车辆的检测和测距，该算法是将RGB信息转化成深度信息，再结合检测模块作为输入，最后根据距离模块和得到的深度信息来预测距离，鲁棒性较好，降低了由于光照不足，遮挡等复杂驾驶环境带来的测距误差。Sana等[6]为ADAS设计了一种由单目摄像机获得距离的测距算法，算法采用消失点检测、车道线提取和三维空间车辆检测相结合的方式来实现测距，但是由于算法的局限性，在光照不足和前方障碍物遮挡严重的情况下，距离误差会显著增大，且该算法不适合所有车辆。Jong等[7]设计了一种黑匣子，从分辨率不同的图像中提取信道特征，基于逆透视映射识别目标和鸟瞰图方式测距，该算法对摄像机安装精度较高。Zewei Liu等[8]，为提高驾驶员的安全性，设计了一种用于视觉辅助驾驶系统的检测与测距算法，首先用常规方法检测出车辆，然后利用卡尔曼滤波对车辆进行跟踪，最后进行距离估计，该算法可以对目标进行跟踪，避免漏检、误检目标，且精度和实时性较好。
2 机器视觉测距算法发展与展望
随着人工智能的兴起，机器视觉测距算法已经相对成熟，并且众多算法在各种智能产品上已经得到了应用，并且随着人工智能不断的发展和5G的实现，机器视觉测距依然存在着很大的发展空间，目前，机器视觉测距最大的问题依然是光照条件的影响和环境复杂多样化带来的测量误差，同时，摄像机镜头自身抖动的问题也需要进一步克服，但不得不说，计算机视觉测距不仅识别目标信息完整，探测范围较宽、相对于其他设备价格相对便宜，而且更符合人们的认知习惯等优势，特别在对道路及分道线的探测方面，视觉信号具有无法替代的优势，所以，在未来一段时间，机器视觉测距的研究热潮必将上升到一个新时期。
参考文献： [1]蘇萍，朱晓辉.基于单目视觉的水面目标识别与测距方法研究[J].计算机技术与发展，2021，31（2）：80-84.
[2]黄同愿，杨雪姣，向国徽，等.基于单目视觉的小目标行人检测与测距研究[J].计算机科学，2020，47（11）：205-211.
[3]许洋，赵亚男，高利，等.基于单目视觉的车辆检测与跟踪[J].激光杂志，2020，41（5）：18-22.
[4]陈俊廷，刘翔，翟岳仙，等.基于单目视觉的AGV间防撞系统设计[J].智能计算机与应用，2020，10（3）：98-100.
[5]Chao Shen，Xiangmo Zhao，Zhanwen Liu，Tao Gao，Jiang Xu.Joint vehicle detection and distance prediction via monocular depth estimation[J].IET Intelligent Transport Systems，2020，14（7）.
[6]Sana Bougharriou，Fay?al Hamdaoui，Abdellatif Mtibaa.Vehicles distance estimation using detection of vanishing point[J].Engineering Computations，2019，36（9）.
[7]Jong Bae Kim.Efficient Vehicle Detection and Distance Estimation Based on Aggregated Channel Features and Inverse Perspective Mapping from a Single Camera[J].Symmetry，2019，11（10）.
[8]Zewei Liu，Dongming Lu，Weixian Qian，Kan Ren，Jun Zhang，Liwei Xu.Vision-based inter-vehicle distance estimation for driver alarm system[J].IET Intelligent Transport Systems，2019，13（6）.
关键词：无人驾驶技术;机器视觉;单目测距
0 前言
机器视觉测距所采集数据的方式为动态测距，与现如今市面上的测距仪器数据采集的类别相比，例如微波雷达、激光雷达、超声波雷达相比，其采集信息的方式相对是不可侵犯的，对外界环境信号传播相对保守，该测距方式采用类似人眼感知的视觉方式，便于视觉化、立体化，也更方便快捷，同时该测距方式应用范围广，特别是智能交通系统中。本文将介绍基于机器视觉中单目视觉的测距算法研究背景和特点，对国内外的研究情况进行阐述，对测距算法模型的搭建进行总结与分析，并对其发展方向进行展望。
1 单目视觉测距算法原理
计算机视觉测距算法中，单目摄像头所采用的测距原理是，首先通过图像匹配对目标进行精确识别，例如各种物体，植物，行人，机动车等，再通过所识别出目标在图像中的显示大小去估算摄像机与目标的距离。其中分为低速和高速场景，低速场景一般用于检测地面标识，高速场景一般用于检测前方动态物体等，两种测距方法都是基于地面假设的前提，因为单个摄像头不存在空间信息，因此单目摄像头的图像数据采集原理是，将客观世界的三维场景投影到CCD摄相机的光敏矩阵表面，基于小孔成像原理的测距模型，测距需要事先知道物体的实际尺寸，但这样的条件基本上不能够满足，因此这种方法虽然简单，但是不适合采用，现如今市面上多采用基于单帧静态图像的测距模型来满足前方所测距车辆识别的测距要求。
我们需将计算机内存中的帧存坐标转换到像平面坐标系中，但大多数因为单目摄像机安装制造等诸多原因，会有些偏差，我们通常进行摄像机标定来尽量消除误差，假设我们得到摄像机帧存坐标中识别车辆的一个像素，并且对应于像平面在X轴与Y轴方向上的物理尺寸分别为dx、dy，则根据上述可得到如下转换关系：
（1）
（2）
计算机识别测距所需要的数据参数均为内部参数，所以只要在离线状态下对单目摄像机进行标定，得到内部参数，同时结合建立的测距模型就可以在前方车辆运动过程中进行车距的实时测量。
1.1 国内研究现状
苏萍等[1]提出了首先将Mask R-CNN模型训练好，再利用训练好的模型对前方物体进行检测和识别，然后利用单目测距方法对前方物体进行距离测量，主要方法是利用改进的基于小孔成像原理，该方法模型简单，检测鲁棒性较好，但是局限性较大，仅能测量出静止物体到摄像头的距离。黄同愿等[2]提出了一种对于行人的识别与测距算法，结合深度学习YOLOV3算法，通过改进边界框并对子图进行多次筛选得到行人检测框，并在传统相似三角形原理基础之上，建立数学模型中融入了俯仰角和偏航角，充分考虑了相机姿态角对测量精度的影响，并且该算法对相机安装要求低，具有更好的实用性。许洋等[3]也同样利用深度学习算法，首先检测需要识别的目标车辆，再依據卡尔曼滤波算法对前方车辆进行跟踪和状态识别，最后依靠相似三角形原理和投影模型，对车辆进行跟踪测距，实验结果表明，该算法能在车辆繁杂多样交通环境下，有效的对车辆进行跟踪定位的基础之上实现距离测量，并且降低误检漏捡率。陈俊廷等[4]为AGV小车设计了一种基于车辆投影宽度的测距算法，已知摄像头焦距，车辆的实际宽度及车辆的像素宽度，根据相似三角形的比例关系，即可得到摄像头与前车的实际距离，该算法不需要复杂的数学推导模型，且避免了俯仰角对测距结果的影响。
1.2 国外研究现状
Chao Shen等[5]为了应对由于光照变化和视点变化原因带来的测量误差，利用一种端到端的卷积神经网络框架来实现车辆的检测和测距，该算法是将RGB信息转化成深度信息，再结合检测模块作为输入，最后根据距离模块和得到的深度信息来预测距离，鲁棒性较好，降低了由于光照不足，遮挡等复杂驾驶环境带来的测距误差。Sana等[6]为ADAS设计了一种由单目摄像机获得距离的测距算法，算法采用消失点检测、车道线提取和三维空间车辆检测相结合的方式来实现测距，但是由于算法的局限性，在光照不足和前方障碍物遮挡严重的情况下，距离误差会显著增大，且该算法不适合所有车辆。Jong等[7]设计了一种黑匣子，从分辨率不同的图像中提取信道特征，基于逆透视映射识别目标和鸟瞰图方式测距，该算法对摄像机安装精度较高。Zewei Liu等[8]，为提高驾驶员的安全性，设计了一种用于视觉辅助驾驶系统的检测与测距算法，首先用常规方法检测出车辆，然后利用卡尔曼滤波对车辆进行跟踪，最后进行距离估计，该算法可以对目标进行跟踪，避免漏检、误检目标，且精度和实时性较好。
2 机器视觉测距算法发展与展望
随着人工智能的兴起，机器视觉测距算法已经相对成熟，并且众多算法在各种智能产品上已经得到了应用，并且随着人工智能不断的发展和5G的实现，机器视觉测距依然存在着很大的发展空间，目前，机器视觉测距最大的问题依然是光照条件的影响和环境复杂多样化带来的测量误差，同时，摄像机镜头自身抖动的问题也需要进一步克服，但不得不说，计算机视觉测距不仅识别目标信息完整，探测范围较宽、相对于其他设备价格相对便宜，而且更符合人们的认知习惯等优势，特别在对道路及分道线的探测方面，视觉信号具有无法替代的优势，所以，在未来一段时间，机器视觉测距的研究热潮必将上升到一个新时期。
参考文献： [1]蘇萍，朱晓辉.基于单目视觉的水面目标识别与测距方法研究[J].计算机技术与发展，2021，31（2）：80-84.
[2]黄同愿，杨雪姣，向国徽，等.基于单目视觉的小目标行人检测与测距研究[J].计算机科学，2020，47（11）：205-211.
[3]许洋，赵亚男，高利，等.基于单目视觉的车辆检测与跟踪[J].激光杂志，2020，41（5）：18-22.
[4]陈俊廷，刘翔，翟岳仙，等.基于单目视觉的AGV间防撞系统设计[J].智能计算机与应用，2020，10（3）：98-100.
[5]Chao Shen，Xiangmo Zhao，Zhanwen Liu，Tao Gao，Jiang Xu.Joint vehicle detection and distance prediction via monocular depth estimation[J].IET Intelligent Transport Systems，2020，14（7）.
[6]Sana Bougharriou，Fay?al Hamdaoui，Abdellatif Mtibaa.Vehicles distance estimation using detection of vanishing point[J].Engineering Computations，2019，36（9）.
[7]Jong Bae Kim.Efficient Vehicle Detection and Distance Estimation Based on Aggregated Channel Features and Inverse Perspective Mapping from a Single Camera[J].Symmetry，2019，11（10）.
[8]Zewei Liu，Dongming Lu，Weixian Qian，Kan Ren，Jun Zhang，Liwei Xu.Vision-based inter-vehicle distance estimation for driver alarm system[J].IET Intelligent Transport Systems，2019，13（6）.